Claude喜提清华物理特奖得主,学物理的都去搞大模型了?

 Datawhale分享 

来源:量子位,编辑:Datawhale

清华物理系传奇特奖得主姚顺宇,正式投身大模型,加入 Anthropic 的 Claude 团队。

7423e05b2c7126a24255238e4f50cdae.png

姚顺宇到底有多牛?

这次加入 Anthropic 的姚顺宇,此前就可谓是名声大噪,本科期间就在凝聚态物理领域做出突破性贡献。

具体而言,他首次在国际上给出了关于非厄米系统的拓扑能带理论,并准确预测了相关现象。

此外,他还定义了两个新的物理概念,这些工作都发表在了世界物理顶级期刊 Phys. Rev. Lett. 上。

其研究的含金量之高,甚至有位 211 大学副教授给出过这样的评价

我们这边即使是教授,也没有能超过姚顺宇同学目前本科期间的物理水平的。

在清华本科毕业之后,姚顺宇便去斯坦福攻读博士。

从领英的履历来看,他在今年毕业之后有 2 个动态的变化,一个是到加州伯克利做了几个月博士后,再之后就正式加入了 Anthropic

b74b95b3dca0894dcacf8789ecb3f21c.gif

那么这次清华物理学霸姚顺宇加入 Anthropic,有一个话题值得说道说道——Why change

Anthropic创始人:物理学家学AI就是快

学物理转行AI,其实已经是学术界的一个“传统艺能”。

毕竟被誉为“人工智能教母”的李飞飞,就是从物理转向研究计算机视觉的一个鲜明例子。

她在普林斯都研究物理的过程中意识到,宇宙的根本问题不只是物理,还可以是关于生命与智能的。

5afc4758f98878cbbf0a3fd1fb7a5e52.png

这次姚顺宇加入的 Anthrophic AI,里面物理出身的研究员尤其不少。

创始人 Dario Amodei 自己就是物理学家,本科斯坦福物理专业,博士普林斯顿生物物理专业,可以算是李飞飞的师弟。

50e19430dcb022baa1a3d326d0185462.png

转折点在博士毕业第三年,Dario Amodei 加入百度,曾与吴恩达一起工作,解决语音识别和自然语言处理中的问题,后来就在 AI 这条路上一路走到今天了。

Anthrophic AI 招人也对物理背景的人才确实也有偏好,创始人去年8月还在一档节目中解释过理由:

…… 部分原因是物理学家学东西非常快。如果我们雇一个拥有物理博士学位的人,他们中的大部分可以快速学习机器学习并做出贡献。

我们的几位创始人,Jared Kaplan、Sam McCandlish,包括我自己,都是物理学家。现在团队里可能有 30-40 个物理学家。

机器学习仍然不是一个非常有深度的领域(a field that has an enourmous amount of depth),所以他们能够很快上手。

3cd0584afcd2d4748fd0baab61975908.png

隔壁OpenAI也不乏物理专业出身的人才,如Sora团队中就有北大物理系校友靖礼

Sora这类视频生成模型,也被定义为“物理世界的模拟器”。其背后的扩散模型,灵感更是从物理中的热力学借鉴而来。

b5fe6b77b71c3e8c89682d9ba281b096.png

……

不过要说今年“物理”和“人工智能”两个词联系最紧密的一次,莫过于刚刚颁发的诺贝尔物理奖了。

5161a7ec5a075d37d9a8abd4159d2544.png

在颁奖活动中,诺奖组委会特别提到:

物理学为机器学习的发展贡献了工具,相应的,现在机器学习也惠及了物理研究。

例如,机器学习长期应用于希格斯粒子发现等诺奖领域,用于处理海量数据;它还可用于减少引力波测量中的噪声,或搜寻系外行星。

近年来,这项技术还开始被用于计算和预测分子及材料的性质,如计算决定蛋白质功能的分子结构,或设计性能更佳、可用于高效太阳能电池的新型材料。

只能说以后,科学发展到今天,学科之间的融合趋势会越来越明显了。

往好了想,只要有能力,学什么都不耽误跟上时代的潮流。

往坏了想,其他学科的人才可以随时跨界来卷你。

参考链接:

[1]https://www.linkedin.com/in/shunyu-yao-204158285/

[2]https://www.youtube.com/watch?v=Nlkk3glap_U

95e7b76bc6a9b671f1825b0b7095e484.png

一起“赞”三连

基于实时迭代的数值鲁棒NMPC双模稳定预测模型(Matlab代码实现)内容概要:本文介绍了基于实时迭代的数值鲁棒非线性模型预测控制(NMPC)双模稳定预测模型的研究与Matlab代码实现,重点在于通过数值方法升NMPC在动态系统中的鲁棒性与稳定性。文中结合实时迭代机制,构建了能够应对系统不确定性与外部扰动的双模预测控制框架,并利用Matlab进行仿真验证,展示了该模型在复杂非线性系统控制中的有效性与实用性。同时,文档列举了大量相关的科研方向与技术应用案例,涵盖优化调度、路径规划、电力系统管理、信号处理等多个领域,体现了该方法的广泛适用性。; 适合群:具备一定控制理论基础和Matlab编程能力,从事自动化、电气工程、智能制造等领域研究研究生、科研员及工程技术员。; 使用场景及目标:①用于解决非线性动态系统的实时控制问题,如机器控制、无机路径跟踪、微电网能量管理等;②帮助科研员复现论文算法,开展NMPC相关创新研究;③为复杂系统供高精度、强鲁棒性的预测控制解决方案。; 阅读建议:建议读者结合供的Matlab代码进行仿真实践,重点关注NMPC的实时迭代机制与双模稳定设计原理,并参考文档中列出的相关案例拓展应用场景,同时可借助网盘资源获取完整代码与数据支持。
UWB-IMU、UWB定位对比研究(Matlab代码实现)内容概要:本文介绍了名为《UWB-IMU、UWB定位对比研究(Matlab代码实现)》的技术文档,重点围绕超宽带(UWB)与惯性测量单元(IMU)融合定位技术展开,通过Matlab代码实现对两种定位方式的性能进行对比分析。文中详细阐述了UWB单独定位与UWB-IMU融合定位的原理、算法设计及仿真实现过程,利用多传感器数据融合策略升定位精度与稳定性,尤其在复杂环境中减少信号遮挡和漂移误差的影响。研究内容包括系统建模、数据预处理、滤波算法(如扩展卡尔曼滤波EKF)的应用以及定位结果的可视化与误差分析。; 适合群:具备一定信号处理、导航定位或传感器融合基础知识的研究生、科研员及从事物联网、无驾驶、机器等领域的工程技术员。; 使用场景及目标:①用于高精度室内定位系统的设计与优化,如智能仓储、无机导航、工业巡检等;②帮助理解多源传感器融合的基本原理与实现方法,掌握UWB与IMU互补优势的技术路径;③为相关科研项目或毕业设计供可复现的Matlab代码参考与实验验证平台。; 阅读建议:建议读者结合Matlab代码逐段理解算法实现细节,重点关注数据融合策略与滤波算法部分,同时可通过修改参数或引入实际采集数据进行扩展实验,以加深对定位系统性能影响因素的理解。
本系统基于MATLAB平台开发,适用于2014a、2019b及2024b等多个软件版本,并供了可直接执行的示例数据集。代码采用模块化设计,关键参数均可灵活调整,程序结构逻辑分明且附有详细说明注释。主要面向计算机科、电子信息工程、数等相关专业的高校生,适用于课程实验、综合作业及位论文等教与科研场景。 水声通信是一种借助水下声波实现信息传输的技术。近年来,多输入多输出(MIMO)结构与正交频分复用(OFDM)机制被逐步整合到水声通信体系中,显著增强了水下信息传输的容量与稳健性。MIMO配置通过多天线收发实现空间维度上的信号复用,从而升频谱使用效率;OFDM方案则能够有效克服水下信道中的频率选择性衰减问题,保障信号在复杂传播环境中的可靠送达。 本系统以MATLAB为仿真环境,该工具在工程计算、信号分析与通信模拟等领域具备广泛的应用基础。用户可根据自身安装的MATLAB版本选择相应程序文件。随附的案例数据便于快速验证系统功能与性能表现。代码设计注重可读性与可修改性,采用参数驱动方式,重要变量均设有明确注释,便于理解与后续调整。因此,该系统特别适合高等院校相关专业生用于课程实践、专题研究或毕业设计等术训练环节。 借助该仿真平台,习者可深入探究水声通信的基础理论及其关键技术,具体掌握MIMO与OFDM技术在水声环境中的协同工作机制。同时,系统具备良好的交互界面与可扩展架构,用户可在现有框架基础上进行功能拓展或算法改进,以适应更复杂的科研课题或工程应用需求。整体而言,该系统为一套功能完整、操作友好、适应面广的水声通信教与科研辅助工具。 资源来源于网络分享,仅用于习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值